现代设计方法-优化设计-数学基础.pptVIP

现代设计方法优化设计部分 黄正东 二0一三年一月 * 本章主要内容 优化设计概述 优化设计的数学基础 一维探索优化方法 无约束优化方法 约束问题优化方法 优化设计若干问题 优化设计概述 优化设计的数学基础 一维探索优化方法 无约束优化方法 约束问题优化方法 优化设计若干问题 函数的泰勒展开 目标函数无约束极值条件 目标函数的凸性 约束问题的极值条件 （模型的性质与最优解的表征） 优化设计的数学基础 优化设计的本质：求极值。 为便于对多变量问题进行数学分析和求解，往往需要采用线性函数和二次函数替代简化目标函数。 （1）一元函数的f(X)泰勒展开：若f(x)在含有x(0)处的某个开区间内直到（n+1）阶可导，只要开区间（a,b）足够小,则该函数在（a,b）内x(0)点处的二阶泰勒展开式为： 函数的泰勒展开 （2）二元函数f(x1，x2) 的泰勒展开： 函数的泰勒展开 （3）多元函数f(x1，x2,… xn) 的泰勒展开： : 目标函数f(x)在点x(0)的所有一阶偏导数组成 的矩阵向量(一阶导数矩阵向量或梯度） :目标函数f(x)在点x(0)的所有二阶偏导数组成 的矩阵 (二阶导数矩阵或海色矩阵，记作 H(x)），n×n阶对称矩阵 ?f(x(2)) ?f(x(1)) 函数Hessian矩阵 例子 优化设计的首要工作是判断极值的存在性，如不存在极值，优化设计无意义。 （1）无约束目标函数极值的存在性 目标函数为一元函数 f(x) f(x) 在点x(0)处有极值的充要条件为： 时，有极小值； 时，有极大值。 目标函数无约束极值条件 一元函数的极值点 极小值点 0 x y y=f(x) x0 0 x y y=f(x) x0 0 y y=f(x) x0 极大值点 不存在极值点 目标函数为多元函数 f(x1，x2,… xn) f(X) 在点X(0)处有极值的充要条件为： （必要条件） （充分条件） 正定 时，有极小值； （必要条件） （充分条件） 负定 时，有极大值； 二次函数与正定矩阵 正定条件 负定条件 X X f f 例：试证明函数 在点 处具有极小值。 解： 将 代入得 H(X(0))正定，目标函数在（2,4）处具有极小值。 目标函数的极值点一般是相对于它附近的局部区域中的各点而言的，目标函数在其整个可行区域中，有时可能存在许多个极值点，优化设计时应力求找到多个极值点中的最小值点，即全局最优点或整体最优点，其它非最小值的极值点称为局部最优点或相对最优点。 凸性：单峰性，目标函数若为凸性，极值点只有一 个，即为全局最优点。 目标函数的凸性 凸集：假设在n维欧式空间 Rn 中有一个集合D，即 ，若D内任意两点X(1) ,X(2) 之间的连接直线都属于集合D ,则D为n维欧式空间内的一个凸集，否则为非凸集。 如果将X(1) ,X(2) 之间的连接直线用 表达，则凸集的数学表达式为： 若 则 x2 x1 x(2) x(1) x2 x1 x(2) x(1) 凸集 非凸集 凸集的几何特征： 其任意两点连线上的一切点都位于这个几何内。 凸函数：凸函数的数学表达式为： f(x) x2 x1 x f(x2) f(x1) 判断函数 f(x) 为凸函数的充要条件： 方法1：若函数 f(x) 在D上具有一阶的连续导数，对任意两点x(1) ,x(2) , f(x)为凸函数的充要条件是: 恒成立 方法2：若函数 f(X)在D上具有二阶的连续导数，则f(X)为凸函数的充要条件是: H(X)处处半正定 凸规划 对于非线性规划 若其中 f(x) 和 gu(x) 均为凸函数，则这样的规划问题称为凸规划。 目标函数有约束极值还是无约束极值，主要取决于约束条件对极值和极值点的影响。同样的目标函数对于不同的约束条件，可能出现不同的最优值和最优点，其原因在于不同的约束条件限制了设计变量不同的取值范围。 有约束最优问题需要解决的问题 判断约束极值点存在的条件； 判断找到的极值点是全局最优点还是局部最优点。 约束问题的极值条件 A.无约束最优点为可行域的内点，此时目标函数的最优点就是约束问题的最优点； 约束最优点和无约束最优点的相互关系： B.无约束最优点在可行